Sep, 2023

自主超分辨率方法用于各向同性重建来自非各向异性采集的三维电子显微镜图像

PDF
TL;DR提出了基于深度学习的自监督超分辨率方法，从各向异性获取的三维电子显微镜数据中计算重建各向同性三维结构，并通过实验证明其有效性。
three-dimensional electron microscopyanisotropicdeep-learningsuper-resolutionisotropic reconstruction
发现论文，激发创造
  • 无参考各向同性三维电子显微重建

    基于扩散模型的框架实现了逆转因成像模态的特性而导致各向异性轴向分辨率的挑战，且无需参考数据或先验知识，通过利用 2D 扩散模型持续重建 3D 体积，在高度下采样数据中表现出优越性，并通过在两个公共数据集上的实验，证明了与监督学习方法相比利用生成先验的鲁棒性和优势。此外，还证实了自监督重建方法可以在无训练数据的情况下恢复单个各向异性体积。

    Aug, 2023

  • 使用卷积神经网络对三维荧光显微图像进行各向同性重建

    本研究提出了一种使用卷积神经网络恢复各向同性分辨率的方法，能够针对荧光显微镜成像数据中子期 / 横向分辨率差异的问题提供有效的解决方案，并在 3 种合成数据和 3 种实际数据集上得到比清晰度恢复和超分辨率技术更好的成果，以及以标准 3D 分割流程的形式展示了该方法的实用性。

    Apr, 2017

  • 一种自监督任意尺度各向异性 MRI 超分辨率框架

    该论文提出了一种高效的自监督任意尺度超分辨率方法来重建等体磁共振图像，并在医学脑部图像收集方面具有实际意义。

    May, 2023

  • DiffuseIR: 用扩散模型重建等向性三维显微图像

    使用扩散模型的无监督等距重建方法能够将低轴向分辨率的显微成像重建为高轴向分辨率的结果，无需重新训练，这个方法在电镜数据实验中实现了最新技术的表现甚至可以与监督方法竞争。

    Jun, 2023

  • 基于扩散的去噪合成三维各向异性微结构的二维映像转换

    通过基于二维显微图的条件扩散生成模型 (DGMs) 的空间连接，我们提出了一个重建各向异性微结构的框架，该框架能够有效地将噪声转化为三维微结构样本，并且通过修改的协调抽样方法提高样本质量，同时保持各向异性微结构样本在三维空间中的空间连接。验证结果表明，该框架能够再现材料相的统计分布和三维空间中的材料性质，凸显了该二维至三维重建框架在建立微结构 - 性能关联中的潜在应用，为未来研究中的高通量材料设计提供了帮助。

    Dec, 2023

  • 磁共振图像的切片间超分辨率：预训练和自监督微调

    提出了一种自监督超分辨率 MR 图像的方法，通过预训练和微调模型，实现高质量的图像重建，可应用于临床医学领域。

    Jun, 2024

  • 从噪声 2D STEM 图像中清洁隐式三维结构

    论文提出了一种可将二维噪声图像融合为有用的三维模型的不同 iable 模型，实现了无监督的三维信号与噪声分离，并在合成和实际数据方面优于多个基准模型。

    Mar, 2022

  • 无需清洗基准图像的超分辨率技术：应用于电子显微镜

    通过深度学习的图像超分辨率方法，我们可以对大脑组织中的噪声低分辨率电子显微图像进行重建，以获得清晰的高分辨率三维电子显微图像，为神经科学研究提供了新的可能性。

    Jan, 2024

  • 大规模电子显微镜成像神经元过程的自动重建

    自动样品制备和电子显微镜使得大规模图像数据采集成为可能，基于此，本文提出了一种 pipeline 系统，通过结合随机森林分类和条件随机场框架，能够完成大规模电子显微镜数据的分割和自动化标注，从而实现了大规模 3D 神经元的重建和可视化。

    Mar, 2013

  • 通过深度各向异性扩散指导的深度超分辨率

    本文提出了一种新颖的方法，将有向各向异性扩散技术和深度卷积神经网络相结合，实现了超分辨率深度图像的指导。该方法以前人的研究为基础，在边缘转移 / 增强性，与现代网络的上下文推理能力和严格的校准步骤的保证下，在三个常用的超分辨率指导深度准则下展现了前所未有的成果。

    Nov, 2022